Data World给AI数据分析师造平行世界:先定真相再生成数据

资讯 腾讯网 作者:科技行者 全文 6763 字 · 约 17 分钟读完 分类财报

你有没有想过一个问题:如果让AI帮你分析一堆销售数据,找出业绩下滑的原因,你怎么知道它说得对不对?这听起来像是个蠢问题。数据就摆在那儿,AI算出来的数字,对一下不就知道了吗?但真正麻烦的不是那些能算出来的数字,而是那些需要解释的结论。比如AI说"销量下滑是因为优惠券过期了",这个结论对吗?你翻遍数据,发现确...

所属频道 融资与资本

让AI去分析一批销售数据、找出业绩下滑的原因,你怎么判断它说得对不对?听起来这问题有点蠢,数据摆在那里,算出来的数字核对一下就行了。可真正麻烦的地方不在能算的数字,而在需要解释的结论。AI说“销量下滑是因为优惠券过期了”,这个结论对不对?你把数据翻一遍,优惠券过期的记录确实在,看着没毛病。问题是另一张表里还写着餐厅营业时间缩短,AI压根没提这一条。这算不算错?

这正是训练AI数据分析师时绕不开的大麻烦:一个找不到标准答案的世界。

眼下训练这类AI,主流做法是拿Kaggle上的真实数据集、政府公开数据,或者企业愿意分享的脱敏记录,让AI在真实文件堆里反复扫,自己总结出问题和参考答案,再用这套东西去训练和考核。乍看挺合理,用的毕竟是真实世界的数据,最接地气。可它有个致命缺口:真实数据是怎么生成的,没有人知道。

举个例子。你手上有一份外卖平台的订单记录,想弄清某个月销量为什么跌。专家或者一个很强的大模型去翻这份数据,可能发现优惠券过期这条线索,就把它写进评分标准。但真正的原因里如果还有餐厅营业时间缩短、配送费涨价、竞品搞活动这些因素,专家没注意到,那AI分析师就算真把这些被忽略的原因挖出来,也拿不到加分,因为评分表里压根没这一条。

这就像让十个最厉害的侦探去看同一起案子的监控录像,可能得出十个不同结论,真相本身是模糊的,没人能拍胸脯说这就是唯一答案。数据分析也一样,数据够复杂、混杂因素够多,十个专家能给出十种解释,现有评测体系只能照顾到专家们想到的那部分。

那怎么办?Data World团队想了个挺巧妙的思路:从现成数据里反推真相这条路走不通,那就反过来,先把真相定好,再照着真相去造数据。整篇论文真正的核心,就是这个顺序的翻转。

世界契约:先写剧本,再拍电影。传统做法是先有文件,再去猜文件背后的世界长什么样;Data World反着来,先把世界的运行规律写清楚,再按这些规律生成具体文件。

打个比方,拍电影这件事:传统套路是导演先胡乱拍一堆素材,再丢给剪辑师,让他自己琢磨这些片段到底想讲什么,影评的评分标准也照着这个来定。剪辑师的理解力就那么多,漏掉的情节线索,演员演得再卖力,这部分分数照样拿不到。Data World 反过来干:先把完整剧本写出来,每个人物图什么、每场戏前因后果怎么接,全都定死,然后照着本子实拍。这么一来,任何一个情节细节都能翻回剧本对一遍,看它到底存不存在、有没有出处,不用剪辑师凭感觉乱猜。

不这么做会怎样?你会永远困在“评分标准只能覆盖发现者想到的那部分”这个死胡同里。AI分析师越聪明,反而越容易因为发现了评分标准之外的洞察,被冤枉扣分。

这套系统的运转方式是这样的。研究团队先搬出 PersonaHub 数据集里那一堆人物角色设定,交给大模型,让它搭出一张有向无环图。这张图干的活,就是把各个变量之间谁影响谁标出来。

依赖骨架(DAG):一张网络图,上面标明各变量之间谁先谁后、谁因谁果,比如“天气影响客流量,客流量影响订单量”。图里不许出现绕成圈的循环依赖。

骨架图有了,接下来就得把它写成一份详尽的世界契约,等于给这个虚构世界定一套规矩。契约要交代清楚:这个世界里有哪些实体、时间线怎么排;每条因果关系落地时具体怎么走,是线性往上加,还是到了阈值突然跳,有没有延迟;哪些东西必须从头到尾保持一致,比如同一个客户的 ID 不能在这张表里一个样、那张表里又一个样;最后要交出哪些数据文件、哪些能被验证的发现。契约一落笔,后面每一步生成都得按它来,不能想改就改。

逐层生成:严格按照因果顺序造数据。契约写好之后就该造数据了,这一步最讲究顺序。

如果因果图里写着“工厂产能影响库存,库存影响门店可售商品数量”,那生成数据时就必须先造工厂产能的数据,再根据这个结果造库存数据,最后才能生成门店数据。顺序不能乱,乱了因果链条就断了。

论文中把这套做法称为拓扑分层生成。每一层由独立的AI会话负责,上层产出的数据到了下层只能读取,无法回改。

这个思路跟工厂流水线装配很像。

拿汽车组装厂打比方:发动机车间把发动机造好送进总装线,总装线工人只能用这台发动机装车,不能跑回发动机车间说“我觉得功率不太对,自己改一下”。要是每个环节都能随手回头改上游的半成品,整条线的记录就全乱了,最终这辆车到底按哪套参数装出来,永远说不清。Data World让每一层的生成结果成为不可篡改的既成事实,就是为了让整条因果链条从起点到终点都能被追溯、被核对。

每层生成时系统还会自检一次,看这一层与上游之间是否真符合契约写明的因果模式——是单调递增还是存在滞后,数据里有没有体现出来。检查结果会留档,供后面的审核员复核。

观察投影:把干净的真相搞脏

这里有一点很反直觉。

直接把造好的“干净”数据丢给AI分析师,任务几乎没难度:变量整整齐齐摆着,写个脚本跑一遍,所有因果关系都能看出来。可真实世界的数据分析从来不会这么轻松。

所以Data World在这一步故意往数据里“注水”,塞进现实里常见的脏乱问题:同一客户在不同系统的ID拼写不一致,数据缺失、延迟、重复记录,单位悄悄漂移(有的表用公斤、有的用斤却不写清楚),不同表之间靠没标注的外键关联,也不给任何数据字典。

所谓观察投影,就是把背后那份“干净真相”按既定规则,通过加入现实世界常见噪声与缺陷,转换成分析师真正能看到的那堆略显凌乱的文件。转换本身有章法,不是随意乱加噪声。

这一步的巧妙之处在于噪声有章可循。每一种脏乱现象背后都对应一个明确的业务流程解释,比如某字段延迟,是因为对应系统每周才同步一次。数据看着乱,可只要分析师够细心、顺着线索理清楚,照样能从这堆脏数据倒推出背后的真相。真正考验分析能力的地方就在这儿:不是会不会算数,而是能不能在混乱信息里做交叉验证、拼图还原。

独立审计:找个“侦探”来挑刺

数据生成完毕,Data World还设了一道独立的审计关卡。

这位审计员AI拿到的是整套生成过程留下的全部痕迹:最初的骨架图、世界契约、每层生成时的检查记录和自述报告、生成脚本、没被弄脏的干净真相,以及最终弄脏后的观察数据。它要重新跑一遍验证脚本,确认契约规定的每条因果关系、每条全局规则是否真在数据里体现出来,还要专门查一件事:被选作分析目标的现象,能不能从弄脏后的观察数据里重新找回来。

审计员只能给出通过或不通过的裁决,不能动手改任何东西;发现的问题必须如实记录,不许隐瞒。

这个角色可以理解成质检员。

工厂出一批产品,质检员不参与生产,只按标准拿仪器挨个检测,合格放行,不合格打回重做,绝不能偷偷把有问题的产品修好再放行。缺了这道独立审计,造出来的世界也许看着精巧,背后的因果关系却根本经不起推敲。审计存在的意义就是守住这条底线,让后面用来出题和打分的素材经得起反复核验。

论文提到,最终1302个候选世界里只留下1087个真正通过各种检验的世界;训练用的世界有95.98%的因果边通过了审查,测试用的50个世界则要求百分之百全部通过。

出题环节:沿着因果箭头问问题

世界造好、审核通过,接下来就是出题。

这里有个设计也挺有意思:每道题都锚定因果图里的某个具体节点,要求AI要么顺着“原因方向”解释这个节点为什么会这样变化(cause路线),要么顺着“结果方向”追踪这个变化会带来什么后续影响(consequence路线)。

为保证出题覆盖整张因果图的各个深度层次,而不是盯着几个热门节点反复问,系统按节点在图里的深度分成若干组,每组挑连接最多的节点出题,题目的结构多样性就这么保住了。

负责出题的 AI 能调阅此前生成的所有内容:世界契约、审计报告、世界指南都在其中。动笔写评分标准之前,它必须先核实一件事——要考察的目标现象,确实能从分析师手里那份脏数据推出来。

评分标准分两块:数据计算部分考中间变量算得对不对,洞察发现部分考最终结论有没有数据支撑。两块都设正面加分项,对应正确计算或站得住脚的结论;也设负面扣分项,专门针对明显算错或被数据反驳的错误结论。

还有个特别人性化的设定:AI若给出评分标准之外但确实合理的洞察,不扣分也不加分,就是不计入。这样一来,一份不完美的评分表就不会惩罚真正聪明的分析。

十个眼下最强的大模型被拉来跑这套题,成绩单挺有看头。

团队用前面那套流程做出了评测基准DataWorld-Bench:题目取自50个从未参与训练的世界,共100道,横跨16个领域。训练用的题库另算,2135道题来自1037个独立世界。

拔得头筹的是GPT-6-Astra,总分74.43。拆开看,数据计算拿到87.80,洞察发现只有66.45,两头相差21.35分。

这个落差不是个例。十个模型无一例外,计算与洞察之间的差距落在4.87到21.35分之间。算得准和想得对,本来就是两码事。

打个比方,这是会计和战略顾问的区别。好会计报表一丝不苟,每笔账都对得上,却未必看得出公司业务的结构性毛病;敏锐的战略顾问一眼能戳中症结,账目细节倒可能漏算几个零。

现在的大模型普遍更像会计:把数字算对是强项,到了“这些数字到底说明什么”这一步就频繁掉链子。只拿计算准确率这一个指标去衡量AI的数据分析能力,考的全是会计功夫,战略判断力这个更难的维度被整个漏掉。Data World把评分拆成两块,用意就在这里。

交互轮数多,分数不一定高。垫底的MiniMax-M3用了93.8轮,比大多数模型都多,分数却最低;GPT-6-Astra反倒用最少的轮数拿了最高分。埋头苦算不是关键,关键是每一步算得有没有方向。

负面扣分项的统计也能看出点名堂。GPT-6.1-Sol和GPT-6-Astra触发错误扣分项的比例最低,可触发得少,洞察分未必就高。

Qwen-3.8-Max-0902犯错的比例比这两个GPT模型还高一些,洞察发现得分却是全场第一。“不犯错”和“能挖到真正的发现”是两种能力,一个保守,一个进取。评分标准把两者分开看,模型强在哪儿才看得清楚。

光有评测基准还不够。研究团队还想验证另一件事:拿这套合成出来的训练题去训练模型,到底管不管用?

他们挑中基础模型Qwen3.6-35B-A3B,用2135道训练题,以GSPO这种强化学习方法来训练。全程没有更强的模型来示范“标准答案”怎么写,全靠模型自己在环境里摸索,靠评分标准的反馈来学。业内把这种训练方式叫作RL-zero。

RL-zero:一种强化学习训练方式,模型不依赖人类或更强模型提供的标准解题过程示范,完全靠自己尝试加上奖励信号来学习。

训练产物叫DataWorld-35B-A3B。跟训练前的自己比,再跟另外几个同基座的模型比,它在四个基准上全部领先。

具体看:没见过的DataWorld-Bench测试世界上涨了7.06分;开放式数据分析基准DAComp上涨14.28分;有标准答案的金融数据分析基准DABstep-Hard上涨20.90分;覆盖35种职业的综合基准JobBench上涨12.13分。

JobBench这个结果值得多说两句。它压根不是专门考数据分析的,从办公室文员、管理层一直到生命科学研究者,35种职业的专业能力都在考察范围内,跟训练内容的重合度是四个基准里最低的。

重合度最低还能涨12.13分,说明这套训练教给模型的不只是“怎么分析这类特定格式的数据”,某种更底层的、跨场景通用的文件理解和推理能力也被抬了上去。

论文里还拿另一个模型DataMind做了对照。它是在网上公开的真实数据分析任务上训练出来的,在那几个外部基准上确实也有提升,可到了靠因果机制严格把关的DataWorld-Bench上,几乎原地踏步。

这个对比有点扎心:用传统方式收集真实数据换来的能力提升,未必迁移得到真正需要挖掘隐藏机制、具备深层洞察力的场景。

团队还查了一件事:这种针对数据分析的强化学习,会不会把模型原本的通用能力带坏。结果是知识类测试MMLU-Pro准确率纹丝不动,还是84.73%;编程能力LiveCodeBench-Hard掉了不到一个百分点;事实问答SimpleQA-Verified反倒从22.20升到24.00。

纯合成环境里的训练,没伤到模型原有的语言和代码能力,也没让它变得更爱瞎编事实。

这套方法当然不是完美无缺。论文作者自己就坦白承认:每重新生成一整套世界和任务,成本都很高,整个流程没法拆开做详细的消融实验,每个环节到底贡献了多少,精确证明不了。

另外,完全合成的任务终究跟真实用户提的问题有距离——那些问题模糊、带着隐含上下文,目标还会随对话不断变。再有,即便审计机制保证了因果关系的可验证性,评分标准也无法穷尽所有合理的分析角度,负责打分的AI裁判本身也可能有偏见。这些都是诚实的局限,不是营销话术式的轻描淡写。

写在后面

读完这篇论文,印象最深的其实不是RL-zero训练带来的分数提升,而是“先定因果关系,再反推造数据”这个思路本身。

放在数据分析这个具体场景里,它可能显得很技术化。可往大了想,它碰的是一个更普遍的问题:要评判一个判断对不对,而这个判断本身关乎开放式、没有唯一答案的问题时,我们究竟该拿什么当标尺。

过去要验证一个分析结论,靠的是请专家凭经验给出参考答案,而这份答案本身带着制定者的认知盲区。Data World 反过来做:先构造一个"上帝视角已知答案"的平行世界,验证就变成了对照已知真相的核验,不再是拿某个人主观总结的标准去比。

这种转换在别的领域也能见到影子。游戏 AI 训练用模拟环境做强化学习,而不是直接扔进真实世界,道理相通——真实环境里的标准答案太模糊、太昂贵、太难拿到时,不如先造一个规则清楚、表象又足够复杂的平行世界去练。

Q&A

论文里那个"计算—洞察差距"让我多想了一下:它在所有十个顶尖模型身上都稳定存在,没有一个例外。这说明眼下大模型做数据分析,普遍是"会算不会想"。

这个瓶颈不是哪一家公司模型的事,而是整个领域共同撞上的一堵墙。墙的成因是训练数据的问题,还是模型架构本身缺了点什么,论文没有回答;但它用一组干净的实验数字,把这堵墙摆在了所有人面前。

Q1:Data World是什么?

A:它是一个多智能体数据环境合成引擎。做法是先构建一个有明确因果规律的虚拟世界,再依这个世界生成供 AI 分析的文件,评测标准和训练奖励因此都能对照已知真相来验证,不必依赖人工从现有数据里总结参考答案。

Q2:Data World解决了AI数据分析评测的什么核心难题?

A:它解决的是开放式分析结论难以验证的问题。以往从真实数据里总结评分标准,容易漏掉尚未被发现的合理结论,AI 挖出了有效发现却拿不到认可。Data World 先定义因果机制再生成数据,评分标准因此有据可查,还能审计分析目标能否从观测数据中被还原。至于用这套方法训练出的模型效果,基于该方法训练的 DataWorld-35B-A3B 在 DataWorld-Bench 上比训练前提升 7.06 分,在 DAComp 上提升 14.28 分,在 DABstep-Hard 上提升 20.90 分,在覆盖 35 种职业的 JobBench 上提升 12.13 分,模型原有的通用知识和编程能力也没有受损。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 版权、流量与AI:在线音乐平台迎来新战事

    作者 | 刘艺晨 音乐平台从未像今天这样不缺新歌,但下一个能够持续创造商业价值的音乐明星,依然难寻。11月17日,腾讯音乐公布2026年第三季度财报,营收89.41亿元,同比增长5.6%,低于市场一致预期。依靠高阶会员、演唱会和艺人周边,这家在线音乐巨头正进一步挖掘成熟IP的商业价值,但主力产品的用户活跃度仍然承压。存

    来源 腾讯网
  2. 英伟达克雷斯任临时CEO:AI芯片节奏未改,散热厂商同步看涨

    【TechWeb】11月19日,行业媒体Digitimes发布报道,聚焦黄仁勋辞任后英伟达首次财报电话会议。针对外界“换帅是否会打乱AI芯片供货”的疑虑,临时CEO科莱特·克雷斯(Colette Kress)明确回应:公司业务照常开展。克雷斯在会上强调,英伟达未来产品的开发与推出节奏保持不变,公司的运营表现、业务展望及

    来源 腾讯网
  3. 腾讯音乐三季度营收89.41亿:AI歌曲日均入库45%,平台怎么接招

    音乐平台从未像今天这样不缺新歌,但下一个能够持续创造商业价值的音乐明星,依然难寻。 11月17日,腾讯音乐公布2026年第三季度财报,营收89.41亿元,同比增长5.6%,低于市场一致预期。 依靠高阶会员、演唱会和艺人周边,这家在线音乐巨头正进一步挖掘成熟IP的商业价值,但主力产品的用户活跃度仍然承压。 存量IP的生意

    来源 AI 行业观察
  4. 联想AI业务收入破700亿:利润结构已变,PC标签淡出

    当下,AI浪潮正在从概念炒作走向产业落地,在前期大规模投入之后,商业化成为市场现阶段关注的问题。11月19日,联想集团对外发布2026/27财年第二季度业绩,季度营收首次突破2000亿元,同比增长近50%;调整后净利润同比增长166%,同样创下历史新高。而比增长更值得关注的,则是这份财报背后,联想业务结构以及利润来源的

    来源 腾讯网
  5. 效率时代,AI如何影响商业决策?

    在AI与算法重塑商业规则的效率时代,海量的数据与极速的反馈似乎让一切决策变得轻而易举。然而,当算法暴露出盲区、偏差与治理难题时,真正的决策门槛反而悄然提升。当“更快、更省、更智能”成为标配,真正拉开差距的不再是效率本身,而是效率之上的边界判断与关键取舍。哪些效率值得追求,哪些会把行业拖入低利润的消耗战...

    来源 腾讯网
  6. 育碧成立Motherbrain:游戏AI独立子公司,半年减员近1100人

    IT之家 11 月 20 日消息,VideoGamesChronicle 今日报道称,育碧成立了一家专注于游戏 AI 技术的新子公司 Motherbrain,负责研发用于游戏玩法创新的 AI 技术,并为旗下游戏开发团队提供支持。根据育碧 11 月 19 日公布的 2026-2027 财年上半年财报,公司确认 Mothe

    来源 腾讯网
  7. 阿里Q2净利增213%:AI云收入609.73亿,年化破700亿

    11月19日,阿里巴巴发布2027财年Q2(对应自然年2026年7月1日至9月30日)财报。阿里该季度营收为2715.19亿元,同比增长9.57%;净利润为644.20亿元,同比增长213%,主要得益于投资净收益及经营利润增加;经调整净利润为199.09亿元,同比增长92%。 ▲阿里2026财年Q2-2027财年Q2营

    来源 AI 行业观察
  8. 杨元庆:AI需求正处转折点,私域AI释放将带动基础设施需求

    每经AI快讯,11月19日,联想集团披露了截至2026年9月30日的2026/27财年第二季度业绩。当日下午,联想集团董事长兼CEO杨元庆在媒体沟通会上表示,AI需求正在经历转折点,比如编程、聊天、短剧创作,词元的消耗量每个月都在高速增长,驱动了AI基础设施的发展,他更看好公域AI到私域AI的需求迁移,私域AI需求的释

    来源 腾讯网
  9. 腾讯的AI代价与组织手术

    11月18日,腾讯发布2026年第三季度财报。一年前,这家公司拥有1024亿元净现金,到今年9月底,已经转为137亿元净债务。第三季度资本开支达到814亿元,超过去年同期的六倍。大额算力采购预付款使当季自由现金流净流出691亿元。剔除这些预付款,自由现金流为正169亿元。 腾讯的主营业务仍在增长。第三季度营收2073亿

    来源 AI 行业观察
  10. 腾讯Q3营收2073.36亿元:AI基建投入加码,企业转用国产芯片提速

    IT之家 11 月 19 日消息,腾讯昨日发布第三季度财报。财报显示,其第三季度实现营收 2073.36 亿元,同比增长 8%;毛利 1159.11 亿元,同比增长 7%;归母净利润为 636.12 亿元,同比增长 0.8%。 据《科创板日报》报道,对于持续增加的 AI 投入,腾讯管理层在业绩会上表示,公司当前资本开支

    来源 AI 行业观察
  11. 腾讯元宝投入削减:小微日活3000万,AI策略生变?

    腾讯控股于11月18日披露了2026年第三季度业绩报告。据 IT 之家及长安街知事等媒体报道,腾讯当季营收达到2073.36亿元,同比增长8%;非国际财务报告准则(Non-IFRS)经营盈利为680.73亿元,同比下降6%。不过,若剔除新 AI 产品的贡献,同口径经营盈利为833亿元,同比增长8%。

    来源 AI 开发者社区
  12. 腾讯WorkBuddy日均Token消耗超100万亿:居国内AI产品之首

    11月18日,腾讯控股(00700.HK)发布2026年第三季度财报,AI业务取得多项突破:最新一代混元大模型Hy4发布时位列Agent Arena中国模型第一;WorkBuddy日活超1000万,日均Token消耗量超100万亿,成为国内日均大语言模型Token消耗量最高的AI产品;微信AI助手“

    来源 AI 开发者社区
  13. 腾讯元宝投入收缩,微信AI助手“小微”日活已达3000万

    腾讯11月18日披露2026年三季度业绩:营收2073.36亿元,同比增8%;Non-IFRS经营盈利680.73亿元,同比降6%;剔除新AI产品贡献后,同口径经营盈利833亿元,同比增8%。业绩会上,总裁刘炽平就C端AI产品策略释放信号,称元宝未达预期,相关投入大幅削减。

    来源 AI 产业速递
  14. 美术生带队做AI短剧:月产20余部,5个月营收破百万

    据大河报报道,一名数字媒体艺术专业的大学生带着二十多人的团队,靠 AI 工具杀入漫剧短剧赛道,创业五个月营收突破百万元,如今每月稳定产出二十余部作品、每周更新 3 到 4 部。耐人寻味的是,他最初还担心 AI 普及会冲击自己这个视觉创作方向——如今角色已彻底翻转:从亲手做素材的执行者,变成了项目决策

    来源 AI 开发者社区
  15. AI投研时代:这轮调整速度与结构对得上吗?

    天风证券通过对比本轮科技股调整与历史牛市见顶,结合申万二级行业数据得出三点结论:一、有业绩支撑的周期股逻辑见底更快、跌幅更深;二、AI投研时代行情见底时间整体拉长;三、无业绩支撑的纯叙事上涨,下跌共识形成速度加快。

    来源 华尔街见闻
  16. 快手Q3:营收316亿元下滑11.1%,可灵AI成唯一增长亮点?

    2026 年 11 月 19 日,快手发布 2026 Q3 季度财报,财报数据显示,Q3 季度总收入 316 亿元,同比下滑 11.1%,经调整净利润 7.9 亿元,同比下滑 84.2%。Q1-Q3,快手总收入 1008.43 亿元,同比下滑 2.3%,经调整净利润 80.77 亿元,同比下滑 46.8%。 截止 11

    来源 AI 行业观察
  17. Edge AI Daily 早报(11月20日)

    Anthropic以83美元定价登陆纳斯达克,首日高开34%,估值约1.5万亿美元;亚马逊谷歌合计持股28.4%,算力承诺近9000亿美元。英伟达Q3营收1158亿美元,董事会接触Arm CEO哈斯接替黄仁勋。OpenAI因训练环境漏洞停训11天,亚利桑那调查AI代理访问银行;谷歌发布Gemini 4 Neon,苹果推

    来源 AI 行业观察
  18. 阿里云单季收入609.73亿增53%:吴泳铭称算力紧缺长期存在

    【TechWeb】11月20日消息,阿里巴巴发布2027财年第二季度(自然年2026年7—9月)财报,该季度阿里云板块收入609.73亿元,同比增长53%,其中,外部客户收入同比增长64%,刷新近六年来的增速高点。 剔除一次性硬件交付后的外部经常性收入增速进一步升至67%。在资本开支同比大增60%至504.77亿元的重

    来源 AI 行业观察
  19. 阿里巴巴 CEO 吴泳铭:2027、2028 年将是中国算力最紧缺的两年

    IT之家 11 月 19 日消息,据界面新闻今日报道,在 2027 财年第二季度财报分析师电话会上,阿里巴巴集团 CEO 吴泳铭表示,2027 年和 2028 年,将是中国算力最紧缺的两年。2027 年以后,阿里云的芯片供给都会以国产平头哥芯片为主,同时也会采购其他国产芯片来支持内部的推理需求。吴泳铭提到,阿里的旗舰芯

    来源 腾讯网
  20. 郑渊洁71岁用AI做动画:8部短片免费上线,抖音每周更新两期

    【TechWeb】11月17日,停更近两年的郑渊洁在个人社媒发声,宣布了一件让他自己都觉得“振奋和不可思议”的事:对动画制作“一窍不通”的他,已经用AI把自己的童话作品做成了动画短片,全部通过授权抖音账号“郑渊洁童话世界”免费开放观看。这位71岁的“童话大王”在视频末尾向00后道贺——祝贺他们赶上了“可以免费享用精..

    来源 腾讯网
  21. 英伟达停售H200:25%关税通道终结

    当地时间11月17日,英伟达临时首席执行官科莱特·克雷斯在财报电话会上确认,公司将停止向中国销售H200 AI芯片——这意味着由黄仁勋此前与特朗普政府协商达成的对华特殊供货安排正式告终。这也是黄仁勋辞职之后,英伟达召开的首次财报沟通会,对华先进芯片供给毫无悬念地成为市场焦点议题。

    来源 TechWeb
向下滚动自动加载更多